超定独立分量分析及其在结肠压力信号分析中的应用

针对传感器个数大于源信号个数的情况,提出了一个超定独立分量分析(ICA)方法,并将其应用到人体结肠压力信号分析中.首先对结肠压力信号运用主成分分析(PCA)估计源信号个数,并将观测信号进行降维使其维数与源信号相等,从而将超定ICA问题转化为一个完备ICA问题;最后通过快速ICA算法估计出源信号.实验采用26组人体结肠压力数据,成功提取出结肠活动中具有生理意义的动力模式信号.     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

微弱裂纹信号的ICA盲源分离提取

针对机械设备关键基础部件早期故障信号提取困难这一问题,提出了一种基于独立分量分析(ICA)的盲源分离去噪方法。采用Fixed-point ICA算法和基于负熵的判据,对不同信噪比下金属裂纹信号进行提取。研究结果表明,此方法受噪声强度及信号频段的影响比较小,可有效提取出所需信号;且获得的信号波形失真很小,是一种较好的微弱信号提取方法。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

基于随机矩阵谱分析的机械液压传动系统故障辨识方法

传统故障辨识方法受机械液压传动系统故障影响,存在故障辨识率低、有效性差问题,提出基于随机矩阵谱分析的机械液压传动系统故障辨识方法.通过分解故障振动信号,得到故障信号的特征向量函数,利用线性分析提取故障信号的随机变量;根据故障信号求解,提取机械液压传动系统故障特征;利用随机矩阵谱分析方法描述机械液压传动系统的状态空间,推算机械液压传动系统的状态方程;利用机械液压传动系统的残差阈值,检测到机械液压传动系统故障;通过对比机械液压传动系统故障的贴近度,选取最大值作为机械液压传感系统的故障信息,实现机械液压传动系统故障辨识.实验结果表明,该方法具有更高的故障辨识率.     

基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

融合再加权奇异值分解与周期重叠簇稀疏的机械故障特征抽取算法

机械故障特征具有周期性、稀疏性以及被噪声污染严重特点,而大部分特征抽取方法(如局部线性嵌入(locally linear embedding,LLE)、局部切空间排列(local tangent space alignment,LTSA))性能往往受到噪声影响.因此,抑制振动信号噪声、抽取有效故障特征成为机械故障检测的关键.本文提出融合奇异值分解与周期重叠簇稀疏(reweighted singular value decomposition integrating with periodic overlapping group sparsity,RSVD-POGS)的机械故障稀疏特征抽取方法.该方法首先利用RSVD把多成分振动信号分解为奇异成分集合,并使用周期调制强度(periodic modulation intensity,PMI)准则选择有效奇异成分,然后使用POGS从奇异成分提取稀疏周期冲击特征,并由选择的奇异成分重构原始信号,增强周期稀疏故障信号特征.最后,使用低SNR仿真周期冲击信号对RSVD-POGS算法与POGS方法进行对比,并将RSVD-POGS方法应用于实验台轴承正常和故障信号的特征提取中.实验结果表明,该算法可以有效地提取稀疏微弱故障特征,具有较大的优越性.     

EMD与ICA相结合的复杂转子系统早期故障诊断

为了提取复杂转子系统微弱故障信息,对其早期故障进行预知诊断,针对某型涡桨发动机的减速器传动机构接连发生的齿轮毂裂纹故障问题,通过布置多组加速度传感器对多组正常齿轮毂和预制早期裂纹故障的齿轮毂进行正常试车下的振动信号采集。采用EMD(empirical mode decomposition)方法把测试信号分解成多个IMF分量,选取合适IMF分量利用基于非高斯性极大的ICA(independent component analysis)固定点算法进行混合再分离,得到了信息较为独立的特征分量。通过对特征分量进行解调分析得到能清晰反应故障状态的调制信号信息。结果表明基于EMD与ICA相结合的特征信号分离提取技术加包络解调法能有效地识别复杂转子系统早期故障信息。     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.